Büyük sorguları diske aktarma

Polars ile Veri Hatlarını Ölçeklendirme ve Optimize Etme

Liam Brannigan

Data Scientist & Polars Contributor

Büyük çıktı sorunu

Tembel bir sorgunun, doğrudan diske yazılması gereken büyük, satırları koruyan bir çıkarım ürettiğini gösteren diyagram.

Temizlenmiş bir istek veri kümesi

requests = pl.scan_parquet("311_Service_Requests.parquet")

clean_requests = (
    requests





)

Temizlenmiş bir istek veri kümesi

requests = pl.scan_parquet("311_Service_Requests.parquet")

clean_requests = (
    requests
    .with_columns(
        pl.col("CREATED_DATE").dt.date(),
        pl.col("WARD").cast(pl.Int16),
        (pl.col("STATUS") == "Completed").alias("IS_COMPLETED"),
    )
)

Topla sonra yaz

clean_requests.collect(
    engine="streaming"
).write_parquet(
    "311_requests_clean.parquet"
)

Parquet'e sink etme

clean_requests.sink_parquet(
    "311_requests_clean.parquet",


)

Sink'i kontrol etme

clean_requests.sink_parquet(
    "311_requests_clean.parquet",
    compression="zstd",
    row_group_size=100_000,
)

Diğer sink yöntemleri

df.sink_csv("output.csv")
df.sink_ndjson("output.ndjson")

Bölümlendirilmiş çıktı

clean_requests.sink_parquet(
    pl.PartitionBy(



    ),

)

Bölümlendirilmiş çıktı

clean_requests.sink_parquet(
    pl.PartitionBy(
        "311_requests_clean/",
        key="CREATED_DATE",
        max_rows_per_file=1_000_000,
    ),

)

Bölümlendirilmiş çıktı

clean_requests.sink_parquet(
    pl.PartitionBy(
        "311_requests_clean/",
        key="CREATED_DATE",
        max_rows_per_file=1_000_000,
    ),
    mkdir=True,
)

Bölümlendirilmiş çıktı

311_requests_clean/
  CREATED_DATE=2025-12-31/
    00000000.parquet
  CREATED_DATE=2026-01-01/
    00000000.parquet

Çok sütunlu bölümler

clean_requests.sink_parquet(
    pl.PartitionBy(
        "311_requests_clean/",
        key=["STATUS", "CREATED_DATE"],
    ),
    mkdir=True,
)

Lazy sink'ler oluşturma

internal_sink = clean_requests.sink_parquet(
    "311_requests_internal.parquet",
    lazy=True,
)

Lazy sink'ler oluşturma

internal_sink = clean_requests.sink_parquet(
    "311_requests_internal.parquet",
    lazy=True,
)

public_sink = clean_requests.drop("REQUEST_ID","REPORTER").sink_parquet(
    "311_requests_public.parquet",
    lazy=True,
)

Sink'leri çoklayarak çalıştırma

pl.collect_all(
    [internal_sink, public_sink],
)

Yazılan çıktılar

311_requests_internal.parquet
311_requests_public.parquet

Özel yığın sink'leri

def send_batch(batch: pl.DataFrame) -> None:
    print(batch.height)
    batch_json = batch.write_json()
    # send batch_json to an API

Özel yığın sink'leri

clean_requests.sink_batches(
    send_batch,
    chunk_size=50_000,
)

Sink iş akışı

Büyük sorgu sonuçlarını doğrudan diske yazmak için sink_parquet() kullanın

Çıktıyı bölümlendirmek için PartitionBy() kullanın

Birden çok çıktıyı birlikte planlayıp çalıştırmak için collect_all() ile lazy sink'ler kullanın

Her yığın özel bir işlevle gönderilecekse sink_batches() kullanın

Verileri düzenli bölümlere dağıtan bir sıralama sisteminin izometrik görünümü

Hadi pratik yapalım!

Polars ile Veri Hatlarını Ölçeklendirme ve Optimize Etme